AI 浏览器自动化：在 VPS 上部署 Browser-Use 智能体（含完整代码）

为什么需要 AI 浏览器自动化？

你有没有这样的场景：

每天需要登录后台导出报表，重复点击十几次
想监控某个 SaaS 产品的价格变动，但对方没有 API
需要批量提交表单，手动填到手酸
想测试自己的 Web 应用，但写 E2E 测试太费时间

传统方案要么靠人肉操作，要么写脆弱的 Selenium 脚本。每次页面结构一变，代码就报废。

AI 浏览器自动化的思路完全不同——你只需要告诉 AI「帮我做什么」，它自己看着网页，自己点、自己填、自己判断。页面变化？AI 能自适应。

更棒的是：Browser-Use + 本地 LLM 全部跑在你的 VPS 上，没有第三方 API 调用费，数据不出服务器。

能力	传统 Selenium	AI Browser-Use
脚本编写	手写 CSS/XPath 选择器	自然语言描述任务
页面变化	❌ 选择器失效	✅ AI 自适应
复杂交互	多步逻辑难维护	一句话搞定
验证码/弹窗	需要额外处理	AI 自动识别处理
本地部署	可以	可以（全自托管）

架构总览

┌─────────────────────────────────────────────────────────┐
│                    你的 VPS                               │
│  ┌─────────────────┐    ┌──────────────────────┐        │
│  │  Browser-Use CLI │───►│  AI 推理引擎         │       │
│  │  • Python SDK    │    │  • Ollama            │        │
│  │  • Playwright    │    │  • 本地 LLM (Qwen/   │        │
│  │  • Chromium      │    │    DeepSeek/Llama)   │        │
│  └────────┬─────────┘    └──────────┬───────────┘        │
│           │                         │                     │
│           ▼                         ▼                     │
│  ┌──────────────────────────────────────────┐            │
│  │  浏览器实例（无头/有头模式）                │           │
│  │  • 页面导航 • 点击 • 输入 • 截图 • 提取    │           │
│  └──────────────────────────────────────────┘            │
└─────────────────────────────────────────────────────────┘

第一步：安装 Ollama + 浏览器依赖

Browser-Use 可以用各种 LLM。我们先用本地模型（免费、隐私），同时它也支持 OpenAI / Anthropic API。

# 1. 安装 Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 2. 拉取模型（推荐 Qwen2.5:7b 或 DeepSeek-Coder-V2）
ollama pull qwen2.5:7b

# 3. 安装 Python 依赖
pip install browser-use playwright

# 4. 安装 Playwright 浏览器
playwright install chromium

为什么选 Qwen2.5 7B？ 它对中文网页理解好，128K 上下文窗口能记住多步操作，且可以在 2GB VPS 上通过 4bit 量化运行。

验证安装：

python3 -c "from browser_use import Agent; print('✅ Browser-Use 安装成功')"
playwright --version
ollama list

第二步：第一个 AI 浏览器智能体

创建一个简单的脚本，让 AI 自动搜索并截图：

mkdir -p /opt/browser-agent
vim /opt/browser-agent/search_demo.py

#!/usr/bin/env python3
"""
Browser-Use 入门示例：让 AI 自己搜索并截图
"""
import asyncio
from browser_use import Agent

async def main():
    agent = Agent(
        task="打开 https://www.google.com，搜索 'Browser-Use GitHub'，"
             "然后点击第一个搜索结果，等待页面加载后截图保存为 result.png",
        llm="ollama/qwen2.5:7b",  # 使用本地模型
        use_vision=True,           # AI 会"看"屏幕截图来理解页面
    )
    await agent.run()

if __name__ == "__main__":
    asyncio.run(main())

运行：

cd /opt/browser-agent
python3 search_demo.py

你会看到浏览器自动打开 → 输入搜索词 → 点击链接 → 截图。全程无需你写一行选择器代码。

第三步：配置无头模式（Headless）

在 VPS 上通常没有显示器，需要用无头模式运行：

#!/usr/bin/env python3
"""
Browser-Use 无头模式配置
"""
import asyncio
from browser_use import Agent
from browser_use.browser.browser import Browser, BrowserConfig

async def main():
    # 配置无头浏览器
    browser = Browser(
        config=BrowserConfig(
            headless=True,                    # 无头模式
            disable_security=True,            # 避免 CORS 限制
            window_w=1280, window_h=720,      # 分辨率
        )
    )

    agent = Agent(
        task="登录 https://example.com/admin，"
             "找到 '今日数据' 面板，截取数据表格并保存为 dashboard.png",
        llm="ollama/qwen2.5:7b",
        browser=browser,
        use_vision=True,
    )
    await agent.run()

if __name__ == "__main__":
    asyncio.run(main())

第四步：实用场景 —— 自动登录 + 数据采集

下面是一个完整的实战脚本：自动登录第三方后台，抓取数据并导出为 CSV：

#!/usr/bin/env python3
"""
实战：AI 自动登录后台并导出报表
"""
import asyncio
import csv
from pathlib import Path
from browser_use import Agent
from browser_use.browser.browser import Browser, BrowserConfig
from browser_use.controller.service import Controller

# 定义自定义操作
controller = Controller()

@controller.action("保存数据到 CSV")
def save_to_csv(data: str, filename: str):
    """将AI提取的数据保存到CSV文件"""
    path = Path(f"/opt/browser-agent/output/{filename}")
    path.parent.mkdir(parents=True, exist_ok=True)
    lines = data.strip().split("\n")
    if lines:
        with open(path, "w", newline="", encoding="utf-8") as f:
            writer = csv.writer(f)
            for line in lines:
                writer.writerow(line.split(","))
    return f"已保存到 {path}"

async def main():
    browser = Browser(
        config=BrowserConfig(headless=True, window_w=1280, window_h=720)
    )

    agent = Agent(
        task="""
        1. 打开 https://your-saas-dashboard.com/login
        2. 输入用户名 'admin@example.com' 到用户名输入框
        3. 输入密码 'your_password' 到密码输入框
        4. 点击登录按钮
        5. 等待仪表盘加载完成
        6. 点击左侧导航的 '报表中心'
        7. 选择日期范围 '本月'
        8. 点击 '导出数据' 按钮
        9. 使用 save_to_csv 操作保存数据到 'monthly_report.csv'
        10. 截图确认操作成功
        """,
        llm="ollama/qwen2.5:7b",
        browser=browser,
        controller=controller,
        use_vision=True,
    )
    await agent.run()

if __name__ == "__main__":
    asyncio.run(main())

安全提醒：请使用环境变量管理密码，不要硬编码在脚本中。示例：
import os
password = os.environ.get("DASHBOARD_PASSWORD")

第五步：定时任务 —— 让 AI 每天自动工作

结合 cron 让 AI 浏览器智能体定时执行任务：

vim /opt/browser-agent/run_daily_report.py

#!/usr/bin/env python3
"""每日自动报表采集"""
import asyncio
import sys
from datetime import datetime
from browser_use import Agent
from browser_use.browser.browser import Browser, BrowserConfig

async def main():
    print(f"[{datetime.now()}] 开始执行每日报表采集...")
    
    browser = Browser(
        config=BrowserConfig(headless=True)
    )

    agent = Agent(
        task="""
        1. 登录 https://analytics.example.com
        2. 导航到 '流量概览' 页面
        3. 截取过去24小时的数据概览，保存为 daily_traffic.png
        4. 查看 '来源分析' 表格，提取 Top 10 流量来源
        5. 使用 save_to_csv 保存为 traffic_sources.csv
        6. 检查是否有异常数据（如流量骤降），如有则在页面醒目备注
        7. 截图最终页面保存为 daily_report_final.png
        """,
        llm="ollama/qwen2.5:7b",
        browser=browser,
        use_vision=True,
    )
    await agent.run()
    print(f"[{datetime.now()}] 报表采集完成")

if __name__ == "__main__":
    asyncio.run(main())

设置定时任务：

chmod +x /opt/browser-agent/run_daily_report.py

# 每天早 8 点执行
(crontab -l 2>/dev/null; echo "0 8 * * * cd /opt/browser-agent && python3 run_daily_report.py >> /var/log/browser-agent.log 2>&1") | crontab -

# 查看日志
tail -f /var/log/browser-agent.log

第六步：使用 Cloud LLM（备选方案）

如果你的 VPS 内存有限（< 2GB），或者想要更强的推理能力，可以接入云 API。Browser-Use 原生支持：

# 使用 OpenAI
Agent(
    task="...",
    llm="openai/gpt-4o",
    # 通过环境变量 OPENAI_API_KEY 传入密钥
)

# 使用 Anthropic Claude
Agent(
    task="...",
    llm="anthropic/claude-sonnet-4-20250514",
)

# 使用 DeepSeek（成本极低）
Agent(
    task="...",
    llm="deepseek/deepseek-chat",
)

# 使用本地 + 云端混合策略
# 简单任务用本地模型，复杂任务回退到云端

成本估算：GPT-4o 每次浏览器任务约 $0.01-0.05。DeepSeek API 成本仅为 GPT 的 1/10。对于高频任务，建议用本地模型。

第七步：Docker 部署（生产环境）

用 Docker 封装整个环境，方便部署和迁移：

vim /opt/browser-agent/Dockerfile

FROM python:3.11-slim

# 安装系统依赖
RUN apt-get update && apt-get install -y \
    curl \
    fonts-liberation \
    libappindicator3-1 \
    libasound2 \
    libatk-bridge2.0-0 \
    libatk1.0-0 \
    libcups2 \
    libdbus-1-3 \
    libgdk-pixbuf2.0-0 \
    libnspr4 \
    libnss3 \
    libx11-xcb1 \
    libxcomposite1 \
    libxdamage1 \
    libxrandr2 \
    xdg-utils \
    && rm -rf /var/lib/apt/lists/*

# 安装 Python 依赖
RUN pip install browser-use playwright \
    && playwright install chromium \
    && playwright install-deps

WORKDIR /app
COPY . .

CMD ["python3", "run_daily_report.py"]

# docker-compose.yml
vim /opt/browser-agent/docker-compose.yml

version: '3.8'

services:
  browser-agent:
    build: .
    environment:
      - DASHBOARD_PASSWORD=${DASHBOARD_PASSWORD}
      - OPENAI_API_KEY=${OPENAI_API_KEY:-}
    volumes:
      - ./output:/app/output
      - ./screenshots:/app/screenshots
    restart: unless-stopped
    # 如果需要看浏览器界面，可暴露端口（调试用）
    # ports:
    #   - "6080:6080"

# 一键启动
cd /opt/browser-agent
docker-compose up -d
docker-compose logs -f

进阶技巧

1. 多步骤任务编排

将复杂任务拆分为多个 Agent 串联执行：

agent_1 = Agent(task="登录系统并导航到报表页面", ...)
await agent_1.run()

# 将 agent_1 的上下文传给 agent_2
agent_2 = Agent(
    task="基于当前页面，提取所有数据表格",
    context=agent_1.context,
    ...
)
await agent_2.run()

2. 错误重试与恢复

from browser_use import Agent
from tenacity import retry, stop_after_attempt

@retry(stop=stop_after_attempt(3))
async def run_agent_with_retry(task: str):
    agent = Agent(task=task, ...)
    await agent.run()

3. 多 Tab 并行操作

# 打开多个标签页
agent = Agent(
    task="在新标签页中打开价格对比页面，同时在当前标签页保持登录状态",
    ...
)

4. 验证码处理

AI 可以自动识别简单验证码，对于复杂的建议接打码平台：

@controller.action("填写验证码")
def fill_captcha(image_path: str):
    """AI 自动识别并填写验证码"""
    # Browser-Use Vision 模式可以自动读取验证码图片
    pass

性能与成本

配置	适用场景	参考月费
2GB RAM VPS	简单任务（搜索、截图），使用本地 3B 模型	$3-5/月
4GB RAM VPS	中等任务（表单填写、数据采集），使用 7B 模型	$6-8/月
8GB RAM VPS	复杂任务（多步流程），使用 14B 模型或云 API	$10-15/月
云端 API	高精度任务，无 VPS 性能限制	$5-20/月（按量计费）

安全最佳实践

使用环境变量管理凭据：永远不要在代码中硬编码密码
限制浏览器权限：在 Playwright 中禁用不必要的 API（如地理位置、摄像头）
监控异常行为：Agent 如果开始访问非预期的 URL，应设置告警
沙箱运行：在 Docker 容器中隔离运行，限制网络和文件系统访问
日志审计：记录所有 Agent 操作，便于回溯问题
使用只读账号：对目标系统使用最小权限账号

总结

AI 浏览器自动化正在改变我们与网页交互的方式。你不再需要写脆弱的选择器脚本——只需要用自然语言描述任务，AI 就能自己看着网页完成操作。

通过将 Browser-Use 部署在你的 VPS 上，你可以：

✅ 每天自动采集竞争对手的公开信息
✅ 定时登录后台导出报表
✅ 自动化 Web 应用的回归测试
✅ 批量处理在线表单和审批流程
✅ 搭建 24/7 在线的网页监控系统

所有数据保留在你的服务器上，没有第三方 API 依赖，没有隐私泄露风险。

下一步

阅读 Browser-Use 官方文档
查看 Playwright 配置指南
尝试结合 Hermes Agent 定时触发浏览器任务
在 selfvps.net 社区分享你的自动化脚本

本文发布于 selfvps.net，转载请注明出处。